Entidades Federativas Prioritarias

Configuracion del entorno

La tabla insumo es la que se muestra a continuacion. En ella encontramos los siguientes campos:

• No.
• Clave INEGI
• Entidad Federativa
• Municipio
• Estado de Fuerza Municipal DIC 2019
• Estado de Fuerza Municipal DIC 2024
• Porcentaje de incremento Estado de fuerza, últimos 5 años
• Población 2020
• Estado de Fuerza Municipal MAR 2025
• Tasa de Policía Municipal por cada mil hab.
• Salario CONASAMI 2024
• Salario bruto municipal 2024 Promedio
• Diferencia
• Evaluados en Control de Confianza
• Aprobados en Control de Confianza
• Aprobados vs. E.F.
• Elementos con CUP
• Elementos con CUP vs. E.F.
• Confianza ENSU 2025 MAR
• Desempeño ENSU 2025 MAR

import pandas as pd
import plotly.express as px

df = pd.read_csv('datasets/variables.csv')

df.head()

	No.	Clave INEGI	Entidad Federativa	Municipio	Estado de Fuerza Municipal DIC 2019	Estado de Fuerza Municipal DIC 2024	Porcentaje de incremento Estado de fuerza, últimos 5 años	Población 2020	Estado de Fuerza Municipal MAR 2025	Tasa de Policía Municipal por cada mil hab.	Salario CONASAMI 2024	Salario bruto municipal 2024 Promedio	Diferencia	Evaluados en Control de Confianza	Aprobados en Control de Confianza	Aprobados vs. E.F.	Elementos con CUP	Elementos con CUP vs. E.F.	Confianza ENSU 2025 MAR	Desempeño ENSU 2025 MAR
0	1	1001	Aguascalientes	Aguascalientes	1431	1414	-1.187980	948990	1387	1.461554	17862.30	17145.66	-716.64	1386	1318	0.950252	1330	0.958904	13.30	0.577184
1	2	2002	Baja California	Mexicali	1572	1722	9.541985	1049792	1711	1.629847	20090.71	21028.17	937.46	1704	1650	0.964348	1598	0.933957	15.98	0.462853
2	3	2004	Baja California	Tijuana	2205	1784	-19.092971	1922523	1779	0.925347	20090.71	19316.69	-774.02	1776	1740	0.978078	1500	0.843170	15.00	0.332853
3	4	3008	Baja California Sur	Los Cabos	534	577	8.052434	351111	605	1.723102	20067.12	16000.00	-4067.12	605	594	0.981818	553	0.914050	5.53	0.596330
4	5	4003	Campeche	Carmen	206	232	12.621359	248845	228	0.916233	17674.36	10851.84	-6822.52	228	228	1.000000	227	0.995614	2.27	0.494143

Seleccion de Variables

Para crear el indice compuesto, seleccionamos las siguientes variables, ya que las demas no son usadas en el calculo de otros indicadores que aportan mayor valor estadistico:

• Porcentaje de incremento Estado de fuerza, últimos 5 años
• Tasa de Policía Municipal por cada mil hab.
• Diferencia
• Aprobados vs. E.F.
• Elementos con CUP vs. E.F.
• Confianza ENSU 2025 MAR
• Desempeño ENSU 2025 MAR

Despues de normalizar las variables citadas, obtenemos las siguiente tabla. En ella solo vemos los campos relevantes para la creacion del indice con los valores normalizados y ordenados de mayor a menor segun el campo denominado “Indice”.

from sklearn.preprocessing import MinMaxScaler

cols_norm = [
    'Porcentaje de incremento Estado de fuerza, últimos 5 años',
    'Tasa de Policía Municipal por cada mil hab.',
    'Diferencia ',
    'Aprobados vs. E.F.',
    'Elementos con CUP vs. E.F.',
    'Confianza ENSU 2025 MAR',
    'Desempeño ENSU 2025 MAR']

scaler = MinMaxScaler()

df[cols_norm] = scaler.fit_transform(df[cols_norm])

df_norm = df[['Clave INEGI',
    'Entidad Federativa',
    'Municipio',
    'Porcentaje de incremento Estado de fuerza, últimos 5 años',
    'Tasa de Policía Municipal por cada mil hab.',
    'Diferencia ',
    'Aprobados vs. E.F.',
    'Elementos con CUP vs. E.F.',
    'Confianza ENSU 2025 MAR',
    'Desempeño ENSU 2025 MAR']]

df_norm.loc[:, ['Indice']] = df_norm[cols_norm].sum(axis=1)

resultados = df_norm.sort_values('Indice', ascending=False).reset_index(drop=True)

(
    resultados
        .head()
        .style
        .hide()    
        .format({'Porcentaje de incremento Estado de fuerza, últimos 5 años': '{:,.2f}',
                'Tasa de Policía Municipal por cada mil hab.': '{:,.2f}',
                'Diferencia ': '{:,.2f}',
                'Aprobados vs. E.F.': '{:,.2f}',
                'Elementos con CUP vs. E.F.': '{:,.2f}',
                'Confianza ENSU 2025 MAR': '{:,.2f}',
                'Desempeño ENSU 2025 MAR': '{:,.2f}',
                'Indice': '{:,.2f}'})
)

Clave INEGI	Entidad Federativa	Municipio	Porcentaje de incremento Estado de fuerza, últimos 5 años	Tasa de Policía Municipal por cada mil hab.	Diferencia	Aprobados vs. E.F.	Elementos con CUP vs. E.F.	Confianza ENSU 2025 MAR	Desempeño ENSU 2025 MAR	Indice
14120	Jalisco	Zapopan	0.50	0.89	0.32	0.95	0.94	0.95	0.86	5.41
14039	Jalisco	Guadalajara	0.57	0.97	0.36	0.93	0.97	1.00	0.59	5.39
15106	México	Toluca	1.00	0.98	0.14	0.99	1.00	0.67	0.60	5.38
8037	Chihuahua	Juárez	0.46	0.74	0.50	0.94	0.92	0.81	0.69	5.07
21114	Puebla	Puebla	0.59	0.59	0.26	0.98	0.99	0.77	0.68	4.87

resultados.to_csv('resultados.csv')

Ranking de Municipios

fig = px.bar(resultados.head(10),
             x='Indice',
             y='Municipio',
             orientation='h',
             hover_data=['Municipio', 'Indice',],
             height=600,
             width=940,
             text_auto=False,
             custom_data=['Municipio', 'Indice'],)

fig.update_traces(textfont_size=12,
                  textangle=0,
                  textposition='outside',
                  marker_color='#691c32',
                  marker_line_color='#000000',
                  marker_line_width=1.5,
                  opacity=0.9,
                  hovertemplate =
                "Municipio: %{y}<br>" +
                "Indice: %{x:.2f}<br>")

fig.update_layout(
    title=dict(text='Top 10 Municipios con Mayor Indice', font=dict(size=30), yref='paper'),
    template='ggplot2',
    autosize=False,
    width=900,
    height=500,
    showlegend=True,
    plot_bgcolor='#f8f8f8',
    yaxis=dict(title='', autorange='reversed'),
    xaxis=dict(title='Indice'),
    margin=dict(
        l=20,
        r=20,
        b=20,
        t=50,
        pad=4
    )
)

fig.show()

Descargas

Puedes dar click en los siguientes links para descargar la tabla final ordenada por el campo Indice, tanto en formato CSV o en formato PDF.

• Descargar CSV

• Descargar PDF